基于ＧＡＢＰ神經網絡的人臉檢測

摘 要：傳統的BP神經網絡算法收斂過慢、局部收斂不理想，影響其工作性能。 針對以上不足以及人臉圖像數據大等問題。提出GABP神經網絡對人臉圖像進行檢測的新方法：將遺傳學習算法和誤差反向傳播算法相結合的混合算法來訓練前饋人工神經網絡，使網絡收斂速度加快和避免局部極小。通過實驗表明該網絡不僅收斂速度快，而且易達到最優解。證明該網絡對人臉圖像檢測具有高的檢測精度。

關鍵詞：人臉檢測；BP網絡；遺傳算法；GABP網絡

中圖分類號：TP183 文獻標識碼：B 文章編號：1004373X(2008)1615403

Face Detection Based on GABP Neural Network

JIAO Libao，PENG Yan，CHEN Chunlan

(Sichuan University of Science Engineering，Zigong，643000，China)

Abstract：The constringency of the conventional BP neural network algorithm is too slow and local constringency is not ideal，which effect working performance.The lack above and face image data too big，a new method that the face detection method based on GABP neural network is introduced in this paper.Making the Genetic Algorithm (GA) search algorithm is used to train the network with updating the weights to minimize the error between the network output and the desired output.Then the BackPropagation (BP) algorithm is used to further train the artificial neural network used for face detection.The experiment indicate This network convergence rate is not only quick，moreover easy to achieve the optimal solution.This network has the high detection precision to the face image detection.

Keywords：face detection;BP neural network;genetic algorithm;GABP neural network

1 引 言

人臉檢測是圖像處理和識別領域的一個重要研究的課題，具有廣泛的應用價值，例如檔案管理系統、人機交互、駕駛執照、身份證的識別檢測，刑偵破案中犯罪嫌疑人照片的識別等，可以說人臉檢測是一種重要的個人身份鑒別的方法。本文將神經網絡和遺傳算法有機的結合起來，建立了一種遺傳神經網絡，然后利用優化后的神經網絡較好地解決人臉檢測中往往存在的噪聲、殘缺和戴眼睛的人臉圖像等。GABP網絡的應用于人臉檢測具有檢測速度快、檢測精度高等特點。

2 遺傳算法對BP網絡的優化

2.1 BP神經網絡的基本原理

BP（Back Propagation，反向傳播）網絡是神經網絡的一個分支，又稱誤差信號反饋網絡^［1］。誤差反向傳播的BP算法簡稱BP算法，其基本思想是有導師學習，可按梯度下降法實現快速收斂。典型的BP網絡是3層前饋階層網絡(如圖1所示)，即輸入層、隱含層（中間層）和輸入層。一個3層的BP網絡可以完成任意的n維到m維的非線性映射。

圖1 BP網絡結構BP算法的學習過程由正向傳播和方向傳播組成。在正向傳播過程中，輸入信息從輸入層經隱含層逐層處理，并傳向輸出層，每層神經元（節點）的狀態只影響下一層神經元的狀態。如果在輸出層不能得到期望的輸出，則轉至方向傳播，將誤差信號（理想與實際輸出之差）按連接通路反向計算，由梯度下降法調整各層神經元的權值，使誤差信號減小。神經網絡理論已經證明BP網絡具有強大的非線性映射的能力，一連續函數或映射均可采用3層網絡加以實現。

假設訓練集包含M個樣本，中間層的單元數是L，對第P個訓練樣本（p=1，2，…，M），單元j的實際輸出為opj，它的第i個輸入為opi，則：Upj=∑Ni=0WjiOpj。

其中Wji為神經元i與神經元j之間的連接權值。隱層神經元的輸出采用S 函數激發：Opj=f(upj)=11+exp(－upj)；

誤差性能指標函數為：E=∑PEp;其中EP=12∑jdpj－Opj.2；式中，dpj表示對P個訓練樣本，單元j的期望輸出。訓練網絡的目的是找到一組權重，使誤差函數極小化。根據梯度下降法，輸出層及隱含層連接權值學習算法為：

若權值的變化量記為ΔWij，取ΔWij正比于－EPWji，即ΔWij=ηδpjOpj；其中η為學習因子（可調整權值），令－EPuji=δpj，則EPWji=EPupiupjWji=EPujiOpj=－δpjOpj。用θi和φj分別表示輸出單元和隱含層的閾值。其閾值變化分別記為Δθi和Δφj，則閾值為：θi(n+1)=θi(n)+Δθi(n);

φj(n+1)=φj(n)+Δφj(n)2.2 GABP網絡

遺傳算法GA (Genetic Algorithm)是基于生物進化原理的一種具有魯棒性的自適應優化方法^［2］。遺傳算法遵循通過基于問題樣本適應度函數對初始群體選擇、交叉和變異操作，來指導學習和確定搜索的方向。由于采用種群的方式組織搜索，所以它可以在全局解空間內的多個區域內尋求最優解^［3］，而且特別適合大規模并行處理。對于BP網絡來說，也存在著不足，BP算法從本質上講屬于梯度下降算法，因而不可避免的具有一些缺陷，如:易陷入局部極小點^{［4］ 、訓練速度慢［5］等。還有初始隨機加權的大小，會對局部最小部分產生很大的影響［6］。在優化問題中，如果目標函數是多峰的，或者搜索空間不規則，就要求所使用的算法必須具有高度的魯棒性，以避免在局部最優解附近徘徊［7］。所以遺傳算法和BP網絡的結合正好優劣互補。遺傳算法和神經網絡的結合對于尋求全局最優解其效果要優于單個的使用遺傳算法或神經網絡，為充分結合遺傳算法和BP神經網絡的長處提出了GA對BP的優化，從而獲得網絡的最優設計的新方法。}

由于遺傳算法的搜索不依賴梯度信息，也不需要求解函數可微，只需要求解適應度函數在約束條件下可解。 并且遺傳算法具有全局搜索的特性，用遺傳算法優化神經網絡的連接權和網絡結構，可以較好地克服BP神經網絡結構確定過程中所帶來的網絡振蕩，以及網絡極易陷入局部解問題，并且有效提高神經網絡的泛化能力。因此，利用遺傳算法全局性搜索的特點，尋找最為合適的網絡連接權和網絡結構的方法來改變BP算法依賴梯度信息的指導，從而達到對網絡結構和網絡連接權值、閥值的最優配置。

通過使用GA在由BP網絡初步確定的基本解空間上(網絡連接權和神經元閥值的取值范圍) ，通過對基因的選擇，交叉變異操作。對樣本個體不斷擇優進化，直至進化K(總的進化代數由初始時給定)代后，選取個體中適應度最大的個體來確定網絡的結構和網絡的權值和閥值。

GABP優化算法步驟描述如下：

（1） 確定網絡結構；

（2） 產生初始種群；

（3） 輸入訓練樣本；

（4） 得到個體誤差，計算適應度值；

（5） 判斷是否滿足要求？是，則停止轉入（6）；否，則繼續訓練，對網絡進行優化，產生新的閾值和權值；

（6） 得到GA優化的網絡。

從算法過程可以看出，GA優化BP網絡目的是確定網絡最優的權值和閾值，而在訓練過程中就是要不斷調整權值和閾值，直到總誤差函數是滿足條件，訓練結束，其GABP網絡訓練的流程圖（如圖2所示）。

圖2 GABP優化算法訓練流程3 GABP人臉檢測

這里采用ORL人臉數據庫進行仿真實驗。劍橋olivetli實驗室拍攝一系列人臉圖像，共有40人，每人有不同的表情或不同視點的10幅圖像，計400幅圖像（圖3為其中一些人臉樣本）。這些圖像為灰度圖像，傾斜角一般不超過20°，這里在每個人的10幅圖像中取5幅圖像作為訓練樣本對本系統進行訓練，并進行標準化，得到各點灰度值，送入GABP網絡訓練，調整權值和閾值，直到誤差足夠小或迭代到一定的次數，當訓練結束，將權值和閾值保存在文件中。在GABP網絡中，由于BP網絡中輸出值與期望的輸出值之間的誤差平方和EP越小，則表示該網絡性能越好，可以選擇一種適應度函數：f(x)=1EP+1。

圖3 部分ORL人臉樣本接下來將訓練好的網絡進行分類，裝載權值和閾值文件。選擇剩余的每個人5幅圖像用來分類，進行標準化，送入GABP網絡進行檢測。采用基于金字塔的子采樣過程，具體過程如下：首先將灰度圖像以1.2的比率重采樣縮小，而在每一級尺度變化中，以25×25的窗口大小，從上而下，從左到右掃描圖像，步長為2個像素，最后將該窗口內的625個像素點的灰度值送入已經訓練好的GABP網絡進行人臉的判別，這個過程循環往復，直到尺度變化后的圖象小于窗口大小為止。判別過程為：將數據輸入GABP網絡后，獲得2個輸出output（0）和output（1），如果output（0）大于output（1）則判斷為檢測正確，如果output（0）小于output（1）則判斷為檢測錯誤，最后計算出檢測精度，如圖4所示。

圖4 GABP人臉檢測流程 分別采用本文的算法和傳統BP算法，其識別結果為，如表1所示。

表1 兩種方法用于人臉檢測的效果對比

網絡類型收斂步數正確率傳統BP算法38189.5%GABP算法23693．73%

對2種方法用于人臉檢測的效果對比可以看出，基于GABP網絡的人臉檢測方法與傳統BP網絡的方法相比，檢測率高出4個百分點左右。此外，GABP優化的神經網絡在訓練過程中不斷的調整權值和與閾值，輸出網絡最優的權值和閾值，使總誤差函數

滿足條件，訓練結束。從而提高訓練速度，避免了在局部最優解附近徘徊。因此它的學習速度很快，在同等條件下，傳統的BP網絡收斂為381步，而GABP優化后的網絡僅為236步。

4 結 語

此文介紹一種GABP神經網絡的人臉檢測算法，通過實驗分析了該算法的性能。測試結果表明，該算法能明顯提高檢測精度，證明了遺傳算法優化的BP網絡在人臉檢測的實際應用中是可行的。

參 考 文 獻

［1］曾黃麟.智能計算［M］.重慶：重慶大學出版社，2004.

［2］Golder G D.Genetic Algorithms in Search，Optimization and Machine Leam ［M］.London:AddisonWesley Pubishing Company Inc，1990.

［3］Bhatnv，Mcavoy T J.Determining Model Structure for Neural Models by Networks Tripping ［J］.Computer and Chem.Engng.，1992，16 (4):271281.

［4］潘昊，王曉勇，陳瓊，等.基于遺傳算法的BP經網絡技術的應用［J］.計算機應用，2005，25(12):2 7772 779.

［5］李敏強，徐博藝，寇紀凇.遺傳算法與神經網絡的結合［J］.系統工程理論與實踐，1999，(2):6569，112.

［6］樊為民.基于遺傳算法的神經網絡算法研究［J］.太原師范學院學報:自然科學版，2004，3(4):1417.

［7］李建珍.基于遺傳算法的人工神經網絡學習算法［J］.西北師范大學學報，2002，38(2):3337.

［8］陳耀明.小波變換在圖像數據壓縮中的應用\\.現代電子技術，2007，30(6):136138.

作者簡介 焦利寶 男，1983年出生，河南新鄉人，碩士研究生。研究方向為人工智能控制及智能信息處理。

彭 龑 男，博士研究生，教授，碩士生導師。研究方向為主要從事計算機應用、人工智能與智能控制、專家系統方面的研究。

陳春蘭 女，碩士研究生。研究方向為人工智能、模式識別。

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文